Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
高校講座 | 第2回 内容ベース推薦システム
Search
RecSysLab
PRO
August 06, 2022
Technology
0
470
高校講座 | 第2回 内容ベース推薦システム
下記教科書を基にした高校生向けの推薦システム講座の講義スライドです。
奥 健太:基礎から学ぶ推薦システム - 情報技術で嗜好を予測する -, コロナ社 (2022)
RecSysLab
PRO
August 06, 2022
Tweet
Share
More Decks by RecSysLab
See All by RecSysLab
データベース|SQL
recsyslab
PRO
0
88
龍谷ICT教育|プログラミング演習科目における自動採点ツールを用いた自由進度学習
recsyslab
PRO
0
140
[RecSys2023論文読み会]Interface Design to Mitigate Inflation in Recommender Systems
recsyslab
PRO
0
140
[RecSys2022論文読み会]Bundle MCR: Towards Conversational Bundle Recommendation
recsyslab
PRO
0
440
高校講座 | 第1回 推薦システムとは
recsyslab
PRO
0
510
高校講座 | 第3回 協調ベース推薦システム
recsyslab
PRO
0
450
内容ベース推薦システム | 第2回 推薦システム概論
recsyslab
PRO
0
790
協調ベース推薦システム | 第3回 推薦システム概論
recsyslab
PRO
0
790
知識ベース推薦システム | 第4回 推薦システム概論
recsyslab
PRO
0
720
Other Decks in Technology
See All in Technology
データモデリング通り #2オンライン勉強会 ~方法論の話をしよう~
datayokocho
0
130
Amazon Q と『音楽』-ゲーム音楽もAmazonQで作成してみた感想-
senseofunity129
0
120
Agent Development Kitで始める生成 AI エージェント実践開発
danishi
0
130
GMOペパボのデータ基盤とデータ活用の現在地 / Current State of GMO Pepabo's Data Infrastructure and Data Utilization
zaimy
3
210
金融サービスにおける高速な価値提供とAIの役割 #BetAIDay
layerx
PRO
1
770
Serverless Meetup #21
yoshidashingo
1
110
S3 Glacier のデータを Athena からクエリしようとしたらどうなるのか/try-to-query-s3-glacier-from-athena
emiki
0
200
人に寄り添うAIエージェントとアーキテクチャ #BetAIDay
layerx
PRO
9
2.1k
20250807_Kiroと私の反省会
riz3f7
0
190
LLMをツールからプラットフォームへ〜Ai Workforceの戦略〜 #BetAIDay
layerx
PRO
1
900
「AIと一緒にやる」が当たり前になるまでの奮闘記
kakehashi
PRO
3
110
ロールが細分化された組織でSREと協働するインフラエンジニアは何をするか? / SRE Lounge #18
kossykinto
0
200
Featured
See All Featured
Fashionably flexible responsive web design (full day workshop)
malarkey
407
66k
[RailsConf 2023] Rails as a piece of cake
palkan
56
5.7k
Rebuilding a faster, lazier Slack
samanthasiow
83
9.1k
Building a Modern Day E-commerce SEO Strategy
aleyda
43
7.4k
BBQ
matthewcrist
89
9.8k
The Success of Rails: Ensuring Growth for the Next 100 Years
eileencodes
46
7.5k
Mobile First: as difficult as doing things right
swwweet
223
9.9k
Six Lessons from altMBA
skipperchong
28
3.9k
Building an army of robots
kneath
306
45k
Building Flexible Design Systems
yeseniaperezcruz
328
39k
Navigating Team Friction
lara
188
15k
Performance Is Good for Brains [We Love Speed 2024]
tammyeverts
10
1k
Transcript
推薦システムの仕組み ~この商品を買った人は、こんな商品も買っています~ 高校講座 | 第2回 内容ベース推薦システム 奥 健太
シナリオ Aliceはとあるカレー屋を訪れました。このカレー屋では、辛さと甘さの異なる8種類のカレーを提供して います。Aliceは、これまでに5種類のカレーを試してきました。そのうち、下表のように3種類のカレーを 「好き」、2種類のカレーを「嫌い」と評価してきました。評価値が「?」となっているカレーについて は、Aliceはまだ試していません。Aliceにはどのカレーを推薦するのが良いでしょうか? アイテムID アイテム名 辛さ 甘さ 評価値
1 5辛3甘 5 3 好き 2 4辛4甘 4 4 好き 3 3辛3甘 3 3 好き 4 2辛8甘 2 8 嫌い 5 4辛9甘 4 9 嫌い 6 3辛4甘 3 4 ? 7 1辛7甘 1 7 ? 8 8辛6甘 8 6 ? Aliceの評価履歴 2
ユーザ、アイテム、評価履歴 ユーザ: 推薦システムの利用者 アイテム:推薦システムにおいて扱う商品やコンテンツなど 評価値: ユーザのアイテムに対する好き嫌い 評価履歴: ユーザがこれまで利用してきた アイテムに対して与えた評価値の履歴 アイテムID
アイテム名 辛さ 甘さ 評価値 1 5辛3甘 5 3 好き 2 4辛4甘 4 4 好き 3 3辛3甘 3 3 好き 4 2辛8甘 2 8 嫌い 5 4辛9甘 4 9 嫌い 6 3辛4甘 3 4 ? 7 1辛7甘 1 7 ? 8 8辛6甘 8 6 ? Aliceの評価履歴 3
類似度に基づく推薦 4
アイテムを座標平面上に表してみよう アイテムID アイテム名 辛さ 甘さ 評価値 1 5辛3甘 5 3
好き 2 4辛4甘 4 4 好き 3 3辛3甘 3 3 好き 4 2辛8甘 2 8 嫌い 5 4辛9甘 4 9 嫌い 6 3辛4甘 3 4 ? 7 1辛7甘 1 7 ? 8 8辛6甘 8 6 ? 10 5 0 10 5 甘 さ 辛さ 1 2 3 4 5 6 7 8 5
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 6 7 8 アイテムをベクトルで表すと便利 8辛6甘カレー 辛さ 甘さ *数学B -> 数学C:ベクトル ベクトル*: 数を縦または横に並べたもの 6
10 5 0 10 5 甘 さ 辛さ 1 2
3 Aliceの好みの辛さ、甘さは? 好みのアイテムのベクトルの平均 ユーザプロファイル ユーザの嗜好を表したもの 7
10 5 0 10 5 甘 さ 辛さ 6 7
8 問題 | Aliceはどれが好き? 8
10 5 0 10 5 甘 さ 辛さ 6 7
8 ベクトルのなす角を考えよう コサイン類似度 ベクトルのなす角* *数学II:三角関数、*数学B -> 数学C:ベクトル 9
10 5 0 10 5 甘 さ 辛さ 6 7
8 演習 | 他のコサイン類似度も計算してみよう 10
コサイン類似度が高いとどうなの? コサイン類似度が1に近いほど、二つのベクトルが同じ方向を向いている 類似している 11
10 5 0 10 5 甘 さ 辛さ 6 7
8 順位 アイテムID アイテム名 辛さ 甘さ 類似度 1位 8 8辛6甘 8 6 2位 6 3辛4甘 3 4 3位 7 1辛7甘 1 7 コサイン類似度でランキング Aliceには 8辛6甘カレーがおすすめ 12
k 近傍法 13
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 6 7 8 近傍のアイテムから好き嫌いを予測してみよう このあたりは好き? このあたりは嫌い? 14
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 7 近傍のアイテムはどれ? 15
10 5 0 10 5 甘 さ 辛さ 3 7
距離を考えよう 2点間の距離* *数学II:図形と方程式 16
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 7 演習 | 他の距離も計算してみよう 17
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 7 近傍 k 個のアイテムを見つけよう(k = 3) アイテムID アイテム名 辛さ 甘さ 距離 4 2辛8甘 2 8 5 4辛9甘 4 9 2 4辛4甘 4 4 3 3辛3甘 3 3 1 5辛3甘 5 3 18
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 7 近傍 k 個のアイテムで多数決 好き × 1 vs. 嫌い × 2 Aliceは1辛7甘カレーが嫌い 19
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 6 7 8 演習 | 他のアイテムの好き嫌いも予測してみよう 好き × 嫌い × 3辛4甘カレー 好き × 嫌い × 8辛6甘カレー 20
10 5 0 10 5 甘 さ 辛さ 1 2
3 4 5 6 7 8 k 近傍法でランキング Aliceには 3辛4甘カレーがおすすめ 順位 アイテムID アイテム名 辛さ 甘さ 好き 嫌い 1位 6 3辛4甘 3 4 3 0 2位 8 8辛6甘 8 6 2 1 21